粒子群優化算法和支持向量機的電子音樂信號分類研究

李策 李智

摘? 要： 電子音樂信號具有非平穩性變化特點，當前難以準確描述電子音樂信號的變化特點，使得電子音樂信號分類準確性不夠，為了提高電子音樂信號分類準確性，提出粒子群優化算法和支持向量機的電子音樂信號分類方法。首先，分析當前國內對電子音樂信號的分類研究現狀，并采集電子音樂信號;然后，對電子音樂信號分類進行噪聲過濾操作，并提取電子音樂信號變化特征;最后，結合粒子群優化算法和支持向量機的優點，建立電子音樂信號分類模型，并采用多種類型的電子音樂信號進行分類性能測試實驗。結果表明，粒子群優化算法和支持向量機可以有效區分各種電子音樂信號，電子音樂信號分類準確性高，使得電子音樂信號分類誤差控制在實際應用區間內，同時，電子音樂信號分類準確性和效率要顯著好于對比電子音樂信號分類方法。

關鍵詞： 電子音樂信號分類; 粒子群優化算法; 支持向量機; 音樂信號采集; 特征提取; 分類模型

中圖分類號： TN911.7?34; TP181? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）21?0051?04

Research on electronic music signal classification based on particle swarm

optimization algorithm and support vector machine

LI Ce1， LI Zhi2

（1. Jiamusi University， Jiamusi 154002， China; 2. Qiongtai Normal University， Haikou 571100， China）

Abstract： The electronic music signals have the characteristic of non?stationary change， so it is difficult to accurately describe their change characteristics at present， which makes the electronic music signal classification accuracy unsatisfied. In order to improve the classification accuracy， an electronic music signal classification method combining particle swarm optimization algorithm and support vector machine is proposed. The current research status of electronic music signal classification in China is analyzed in this paper. The electronic music signals are collected first， and then subjected into noise filtering operation for the extraction of their change characteristics. The electronic music signal classification model is built in combination with the advantages of particle swarm optimization and support vector machine. Various types of electronic music signals are adopted to test the classification performance of the proposed model. The results show that the model based on particle swarm optimization algorithm and support vector machine can effectively distinguish all kinds of electronic music signals， so its classification accuracy is high， which keeps the electronic music signal classification error within a reasonable range for the practical application. The classification accuracy and efficiency obtained with the proposed method are better than those obtained with other methods.

Keywords： electronic music signal classification; particle swarm optimization algorithm; support vector machine; music signal acquisition; feature extraction; classification model

0? 引? 言

20世紀初，由于信號處理技術、單頻技術、電子技術的發展，音樂的發展達到了一個前所未有的高度，在音樂伴奏中出現了許多電子裝置現場演奏，為觀眾提供了更多的新音色。面對眾多的電子音樂，如何進行有效區別，進行電子音樂信號分類具有重要的實際應用意義[1?3]。

最初電子音樂信號分類通過一些專業人員進行，該方法不是自動分類，因此電子音樂信號分類的效率低，同時，由于每一個專業人員對每一種電子音樂信號的理解不一樣，電子音樂信號分類結果具有盲目主觀性，電子音樂信號分類的可信度低[4?6]。由于人工智能技術的發展，一些學者結合電子音樂信號的特點，設計了許多電子音樂信號分類方法，如基于專家系統的電子音樂信號分類方法、基于神經網絡的電子音樂信號分類方法、基于支持向量機的電子音樂信號分類方法、基于極限學習機的電子音樂信號分類方法[7?9]。其中，專家系統首先需要建立電子音樂信號分類的知識庫，將待分類電子音樂信號與知識庫進行匹配，得到電子音樂信號分類結果，該分類效果與知識庫的優劣有關，因此分類結果穩定性不夠[10?12]，神經網絡、極限學習機屬于基于經驗風險機器學習算法，它們對電子音樂信號的訓練樣本要求比較高，如果不能達到其要求，電子音樂信號會出現“過擬合”或者“欠擬合”學習結果。支持向量機對電子音樂信號分類的訓練樣本要求較低，但是支持向量機的參數難以確定，從而影響電子音樂信號分類效果[13?15]。

為了解決當前方法難以準確描述電子音樂信號的變化特點，分類誤差大，為了克服該缺點，提出粒子群優化算法和支持向量機的電子音樂信號分類方法，結果表明，粒子群優化算法和支持向量機的電子音樂信號分類準確性高，分類準確性和效率要顯著優于對比方法。

1? 電子音樂信號分類方法

1.1? 提取電子音樂信號分類特征

梅爾頻率頻譜系數是一種反映電子音樂信號的特征參數，具有良好的識別能力。人耳所聽到的電子音樂頻率和電子音樂實際頻率之間的關系可以表示為：

[Mel（f）=2 595lg（1+f700）] （1）

梅爾頻率頻譜系數參數提取框圖如圖1所示。

電子音樂信號分類特征參數提取步驟如下：

1） 對原始電子音樂信號進行采集，并采用噪聲過濾算法去噪聲。

2） 對去掉噪聲的電子音樂信號進行加重處理，改善電子音樂信號的高頻幅度，進而增加電子音樂信號的高頻分辨率，具體為：

[H（Z）=1-aZ-1] （2）

式中[a]為預加重系數。

3） 根據電子音樂信號具有短時變化特性，采用分幀算法提取電子音樂信號短時特性。為了減少每幀電子音樂信號兩端的預檢測誤差，一般采用加窗方法，即：

[W（n）=0.54-0.46cos2πnN-1] （3）

4） 對電子音樂信號的端點進行檢測，提取有效的電子音樂信號，去除無用的干擾信號，得到每個電子音樂信號幀的時域信號[x（n）]。

5） 采用離散傅里葉變換對時域信號[x（n）]進行處理，得到線性頻譜[X（k）]，具體為：

[X（k）=n=0N-1x（n）e-j2πnkN] （4）

6） 采用梅爾頻率濾波器組對線性頻譜[X（k）]進行處理，得到梅爾頻率頻譜。梅爾頻率濾波器組設計如下：

[Hp（k）=0，? ? ? ?kf（p+1）]? （5）

式中[0≤p

7） 通過對數能量對梅爾頻率頻譜進行處理，得到對數頻譜[S（p）]，具體為：

[S（p）=lnk=0N-1X（K）2Hp（k）]? ? ?（6）

8） 采用離散余弦變換對[S（p）]進行處理，得到倒譜域，即梅爾頻率頻譜系數參數[c（n）]：

[c（n）=p=0P-1S（p）cosπn（p+1/2）p]? ? （7）

在電子音樂信號分類的實際過程中，不提取所有梅爾頻率頻譜系數特征參數，而是提取最前面多個梅爾頻率頻譜系數特征參數，本文提取12維梅爾頻率頻譜系數參數。

1.2? 粒子群優化算法

設[m]個粒子組成種群[x=x1，x2，…，xmT]，第[i]個粒子和粒子群的當前最優位置為[pi=pi，1，pi，2，…，pi，nT]和[pg=pg，1，pg，2，…，pg，nT]，第[k]次迭代時，粒子的速度和位置分別為[vki，d]和[xki，d]，第[k+1]次迭代時，粒子狀態更新公式為：

[vk+1i，d=ωvki，d+c1r1（pki，d-xki，d）+c2r2（pkg，d-xki，d）] （8）

[xk+1i，d=xki，d+vki，d] （9）

式中：[d]表示粒子的維數;[ω]表示權重因子。

1.3? 支持向量機

給定數據集[G={（xi，yi）}mi=1]，支持向量機的分類形式為：

[f（x）=ω，?（x）+b] （10）

根據正則化風險泛化原則可以得到：

[R（ω）=12ω2+Ci=1mL（f（xi），yi）] （11）

式中：[C]為懲罰系數;[L（ ）]表示損失函數，具體為：

[Lε（f（x），y）=maxf（x）-y-ε，0]? （12）

對[R（ω）]進行最小化操作，可以得到：

[ω=i=1m（αi-α*i）?（xi）]? ? ?（13）

式中[αi]，[α*i]是拉格朗日乘子。

將[ω]代入式（10）得：

[f（x）=i=1m（αi-α*i）?（xi），?（x）+b=i=1m（αi-α*i）k（xi，x）+b]? ? ? （14）

式中：[k（xi，x）=?（xi），?（x）]為核函數，采用徑向基核函數：

[k（xi，x）=exp-x-xi22σ2]? ? ? （15）

式中[σ]表示徑向基寬度。

由于參數[C]和[σ]需要優化，本文采用粒子群優化算法確定參數[C]和[σ]的值。

1.4? 分類流程

基于粒子群優化算法和支持向量機的電子音樂信號分類流程為：首先采集電子音樂信號，并對電子音樂信號進行噪聲過濾操作，然后提取電子音樂信號變化的梅爾頻率頻譜系數特征參數，最后結合粒子群優化算法和支持向量機的優點，建立電子音樂信號分類模型，具體如圖2所示。

2? 電子音樂信號分類效果測試

2.1? 電子音樂信號的數據

為了驗證粒子群優化算法和支持向量機的電子音樂信號分類方法的性能，選擇B1ues，Country，Disco，Metal，Rock等5種電子音樂信號作為實驗對象，每一種電子音樂信號的樣本數量如表1所示。采用Matlab實現電子音樂信號分類的仿真實驗。

采用粒子群優化算法確定支持向量機的參數[C]和[σ]的值，如表2所示。根據[C]和[σ]的值建立電子音樂信號分類器。

2.2? 分類結果

采用粒子群優化算法和支持向量機的電子音樂信號分類方法對表1中的數據進行分類，得到的結果如表3所示。從表3可以看出，粒子群優化算法和支持向量機的電子音樂信號分類方法正確率平均值為93.466%，表明該方法是一種有效的電子音樂信號分類方法，能夠對各種電子音樂信號進行準確識別。

2.3? 分類結果對比

為了測試粒子群優化算法和支持向量機的電子音樂信號分類方法的優越性，采用相同的電子音樂信號，在相同環境下進行分類，采用標準支持向量機的電子音樂信號分類方法、文獻[15]的電子音樂信號分類方法進行對比測試，得到的電子音樂信號分類正確率如圖3所示。

由圖3可以看出，粒子群優化算法和支持向量機的電子音樂信號分類正確率要高于標準支持向量機、文獻[15]的分類方法，電子音樂信號分類錯誤的概率得到有效抑制，獲得了理想的分類結果。

2.4? 分類時間對比

統計粒子群優化算法和支持向量機的電子音樂信號分類方法與經典方法的電子音樂信號分類時間，結果如表4所示。由表4可以看出，粒子群優化算法和支持向量機的電子音樂信號分類時間平均值為1.92 s，標準支持向量機的電子音樂信號分類時間平均值為8.33 s，文獻[15]的電子音樂信號分類時間平均值為5.81 s，由此可見，本文方法的分類時間最少，獲得了更高效率的電子音樂信號分類結果。

3? 結? 語

結合電子音樂信號的非平穩性變化特點，為了解決標準支持向量機的參數優化難題，提出粒子群優化算法和支持向量機的電子音樂信號分類方法。采用多種類型的電子音樂信號與經典方法進行了對比測試，結果表明，粒子群優化算法和支持向量機的方法可以高精度識別各種電子音樂信號，分類誤差小于對比方法，減少了電子音樂信號分類時間，驗證了本文方法用于電子音樂信號分類的優越性。

參考文獻

[1] 肖川，李偉，殷玥，等.多版本音樂識別技術研究綜述[J].小型微型計算機系統，2012，33（8）：1841?1846.

[2] 張秀，李念祖，李曉強，等.基于Chroma?based BOW特征的多版本音樂識別[J].小型微型計算機系統，2015，36（2）：397?400.

[3] 薛翔，趙宇翔.音樂平臺中音樂分類體系的用戶心智模型研究：以高校學生群體為例[J].數據分析與知識發現，2019，3（2）：1?12.

[4] 肖曉紅，張懿，劉冬生，等.基于隱馬爾可夫模型的音樂分類[J].計算機工程與應用，2017，53（16）：138?143.

[5] 吳淦洲.基于特征提取與神經網絡的音樂分類方法[J].數學的實踐與認識，2014，44（5）：94?100.

[6] 張寶印，于俊清，唐九飛，等.面向情感的電影背景音樂分類方法[J].計算機科學，2013，40（12）：37?40.

[7] 王大海，任偉家，鄒權.基于集成學習的音樂識別方法研究[J].計算機科學，2012，39（12）：184?187.

[8] 劉彪，黃蓉蓉，林和，等.基于卷積神經網絡的盲文音樂識別研究[J].智能系統學報，2019，14（1）：186?193.

[9] 徐桂彬，鄧偉.結合DCTM與HMM的音樂分類方法[J].計算機工程與設計，2012，33（11）：4245?4249.

[10] 李劍.神經網絡在音樂分類中的應用研究[J].計算機仿真，2010，27（11）：168?171.

[11] 楊圣云，賴國明，袁德輝.基于串核的音樂分類研究[J].計算機工程與應用，2008（16）：243?245.

[12] 胡艷芳，吳及，劉慧星.基于MLER的語音/音樂分類方法[J].清華大學學報（自然科學版），2008（z1）：720?724.

[13] 陳功，張雄偉.一種基于灰關聯分析的語音/音樂分類方法[J].聲學技術，2007（2）：262?267.

[14] 楊曉宇，黃浩，王浩華.基于改進的T型關聯度在音樂分類中的應用[J].數學的實踐與認識，2017，47（20）：155?163.

[15] 劉天華.基于多特征融合和神經網絡的電子音樂分類模型[J].現代電子技術，2018，41（19）：173?176.

作者簡介：李? 策（1978—），男，黑龍江佳木斯人，碩士，副教授，研究方向為音樂教育。

李? 智（1978—），男，黑龍江佳木斯人，碩士研究生，教授，研究方向為音樂教育。